引言
人工智能技术的发展及在金融业中的发展趋势相信已无需赘述，既是当下大热，亦是大势所趋。然而，人工智能并非万能钥匙，并不是方方面面都可以用到。除了通用应用（如图像识别、语音识别等），找准适合公司的专门应用，且切实能够大幅提高工作效率或推动业务发展，才有意义。若将它比作一枚锤子，要最大限度发挥它的价值，有两个问题绕不开：钉子在哪里？怎么造锤子？
钉子在哪里
公司日常运营的业务，可以划分为投研风控、市场营销和运营管理三个方面，由于本人主要工作是负责投研风控相关的系统支持，因此，浅析一下投研风控领域的“钉子”。
1、智能选股因子
对于选股而言，不同的基金经理有不同的理念和想法，会提出很多自己关注的指标，比如ROE，比如净利润增长率等等。这些许许多多的指标是否有用，有什么用，怎么用，尚无定论。此处存在两种假设：
1.1、假设这些因子是有效的
假定这些因子都是有效的，对估价都是有影响的，只是如何建立一个模型来统一这些因子，是未知的。不能简单地说，ROE高的就一定会涨，会涨多少，等等。
此处可使用人工智能相关算法来构建模型，将我们认为有效的参数进行计算，比如非卷积神经网络等。
1.2、假设这些因子是无效的
还有一种假设，就是这些因子是无效的。我们传统的研究方法有局限，当前所能想到的因子，比如风格因子，行业因子等，在当前大数据环境下并不适用，有许多因子是我们想不到的，所以需要借助机器学习的算法，让计算机自动在市场上找寻并定义因子，进而构建多因子模型进行分析选股。适用算法，如卷积神经网络等。
若上述方法能取得较好的效果，推而广之，应用到信用债分析、FOF组合里的基金选择，亦未尝不可。
2、智能交易
坦白地说，对于这一点我了解的并不多，这是去年去银河证券交流的时候，对方提到的一点，可以通过人工智能的算法，对股价进行超短期预估，从而决定交易时机。对方已完成该算法的开发，从性能上看，远优于传统的交易算法，已投产并在申请专利的过程中。囿于商业机密，对方只允许我们查看执行情况，并不透露具体的细节和方法。算法交易平台已然作为IT战略规划中的一部分，考虑相关算法，不失为一种不错的选择。
怎么造锤子
要发展人工智能技术，最重要的因素在于两点，数据和模型。
数据一看数量，二看质量。能否有足够的相关性数据是成败的基础，传统的投资交易数据和客户营销数据在当前时代已日渐难以满足投资分析和客户营销的需求，更多更广泛的外部数据也需要逐渐纳入到分析体系当中；数据质量也是重要影响因素之一，大数据时代，并非把所有的数据都纳入分析体系当中，而是有选择性，将重要的数据纳入，而哪些重要，哪些不重要是面临的第一个难点；即便解决了这个难点，所得到的数据依然是庞大的，其中如何进行清洗，剔除噪声点等等又是面临的第二个问题。即便完成了上述两点，如何对数据进行业务相关性标记，是第三个问题。三个问题都将耗费大量的人力物力，当前的投入显然不足以支撑。只有得到足够数量且质量有保障的数据，才能为人工智能的应用打下基础。
模型方面，模型的复杂度越来越高，以至于有的模型甚至达到了可以写出来但是无法用计算机算出来的地步。在发展人工智能应用的过程中不妨借鉴嘉实的经验，从最简单的伪人工智能入手，一步步不断细化，在深入改善模型的过程中，积累经验，锻炼团队，为日后的发展打下基础。这不失为一种可行的方案。